TEST OF BOARD LEVEL BOUNDARY SCAN INTEGRITY

ＩＥＥＥ１１４９．１边界扫描为数字电路板级测试提供了所需的对内部节点的控制和观察能力。但是,边界扫描测试结构本身的完整性必须首先加以检测,以保证其他功能测试和诊断结果的正确性。本文论述了板级边界扫描测试存取口的故障模型和测试原理,并针对全边界扫描印制板提出了一种故障覆盖率高、测试时间短的测试算法。     

RAM的故障模型及自测试算法

通过对ＲＡＭ故障情况的全面、深入分析,建立了ＲＡＭ的功能故障模型。并在此基础上,提出一种全面、实用的故障自测试算法。该算法分三步完成测试：（１）测试ＲＡＭ中的固定为１（０）故障、固定开路故障、状态转换故障、数据保持故障及第一类耦合故障中的不相关耦合等故障;（２）测试第一类耦合故障中的相关耦合故障;（３）测试第二类耦合故障。对ＲＡＭ的故障注入试验验证了该算法的有效性。并将此算法应用于航空电子模拟器的ＢＩＴ（Ｂｕｉｌｔｉｎｔｅｓｔ）的设计中。     

内埋电阻丝阵列检测复合材料表面裂伤初探

探讨了用层间埋置Ｎｉ－Ｃｒ合金丝构成局部网络实现对复合材料表面损伤位置和损伤程度检测。对表面裂纹尖端附近的应力场分布进行了分析,并将试验结果与预测结果进行了比较。实验结果表明：Ｎｉ－Ｃｒ合金丝阵列可以在玻纤／环氧树脂复合材料中用作传感元件,合金丝阵列所反映的裂端附近应力场分布是合理的。     

国外质量与可靠性技术发展的几点启示

通过研究分析国外质量与可靠性技术发展状况及其可借鉴的经验,以期为国防科技工业质量与可靠性技术发展提供决策支持和技术参考。     

基于线结构光的飞机蒙皮对缝阶差与间隙测量技术研究

针对飞机蒙皮对缝阶差与间隙的数字化检测问题,以线结构光视觉测量技术为基础,提出了阶差与间隙测量模型,从阶差与间隙的尺寸和位置两个方面设计测量方法。使用线结构光视觉传感器完成阶差与间隙的尺寸测量,同时利用iGPS测量系统对视觉传感器的位姿进行实时跟踪测量,从而确定阶差与间隙的测量位置。通过试验验证了算法的正确性和稳定性,能够实现非接触、高精度测量:试验结果表明:5mm内阶差的重复测量精度优于0.04mm,间隙的重复测量精度优于0.05mm。     

某型航空发动机涡轮叶片涡流探伤干扰信号的鉴别与排除

某型航空发动机涡轮叶片涡流探伤工艺开发过程中,检测中出现异常检测信号,分析和验证证明是由对比试样制作不当及渗铝层残留引起的,属于干扰信号。通过调整对比试样、加强探伤前检查等手段消除了干扰信号,优化了检测工艺。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

白天激光漫反射测距中微弱信号检测的单开门多触发方法

白天激光漫反射测距因存在强背景噪声,导致微弱回波信号的检测十分困难,严重限制了激光漫反射测距的广泛应用。因此,提出了采用单开门多触发方法解决白天激光漫反射测距的微弱信号检测难题。首先,介绍了一种GM-APD (Geiger-ModeAvalanchePhotoDiode,盖革模式雪崩光电二极管)多触发概率分布函数的快速求解方法。接着,取激光漫反射测距系统典型参数,理论分析了多触发情况下的回波信号检测概率,分析结果表明单开门多触发方法可提高激光漫反射测距在白天情况下的回波信号检测概率。同时,通过对触发次数限制的优选,可以增加有效检测比,减少白天观测条件下回波信号的提取代价。最终,通过系统仿真验证了理论分析结果的正确性。因此,单开门多触发方法是解决白天激光漫反射测距微弱信号检测的可行途径之一。     

RGB-D SLAM综述

RGB-D SLAM是指使用RGB-D相机作为视觉传感器,进行同时定位与地图构建(SLAM)的技术。RGB-D相机是近几年推出的能够同时采集环境RGB图像和深度图像的视觉传感器。首先对主流RGB-D相机,RGB-D SLAM算法框架流程做了介绍,然后对RGB-D SLAM算法的国内外主要标志性成果,以及RGB-D SLAM的研究现状进行介绍,并对RGB-D SLAM方法前端视觉里程计中特征检测与匹配、后端位姿图优化、回环检测等关键技术进行介绍总结。最后,对RGB-D SLAM算法的优缺点进行了分析,并对RGB-D SLAM算法的研究热点及发展趋势进行了讨论。     

基于视觉测振和卷积神经网络的螺栓松动检测方法

螺栓松动故障的准确检测对于确保机械产品可靠性具有重要意义。为了解决现有的基于卷积神经网络（CNN）的检测方法所需的大量高质量数据难以在实际工程中获取的问题,本文提出了一种基于视觉测振和CNN的螺栓松动检测方法。通过视觉测振技术,从视频中的每一个像素点提取出振动信号,有效解决了CNN模型训练数据难以获取的问题,通过少量实测视频样本即可对CNN模型进行训练,并实现对螺栓连接状态的准确预测。本文通过一个对悬臂梁结构的敲击实验验证了所提方法的有效性。